Windows系统Jupyter Notebook中PyTorch训练CPU使用率间歇性下降问题

DevOps 小满

2026-6-21

PyTorch LSTM训练时CPU使用率间歇性下降至33%，拖慢训练速度

问题描述

在Windows 11的Jupyter Notebook中训练LSTM模型（共500轮），CPU使用率有时能达到100%（符合预期），但会莫名降至约33%，导致训练速度大幅变慢。

Operating System: Windows 11
IDE: Jupyter Notebook
Python Version: Python 3.12.4
PyTorch Version: 2.3.1
CPU: 12th Gen Intel(R) Core(TM) i7-12700

线程配置：已将PyTorch线程数设置为CPU最大可用核心数：
```
import torch
torch.set_num_threads(n)  # n为CPU核心数
```
进程检查：确认无其他高资源占用进程同时运行。

CPU架构特性：i7-12700是大小核架构（6性能核+8能效核），PyTorch线程调度可能出现偏移——当训练任务仅调度到能效核时，因能效核性能上限低，会出现整体使用率看似骤降的情况（33%刚好对应总核心数的1/3左右，大概率是只用到了部分核心）。
数据加载瓶颈：如果DataLoader的num_workers设置不合理，数据加载与训练流程未并行，模型训练完一轮等待新数据时，CPU会进入空闲状态，使用率下降。
Windows电源管理：若系统电源模式不是“高性能”，系统可能动态降频或限制核心调用，导致CPU利用率波动。
Jupyter IO阻塞：Jupyter实时输出日志、进度条时，会触发GIL（全局解释器锁）频繁切换，阻塞训练线程，拉低CPU使用率。

优化线程与核心绑定：
- 除设置torch.set_num_threads(n)，还可绑定PyTorch到性能核，避免调度到能效核：
```
import os
# 针对12代酷睿，绑定到前6个性能核（核心编号0-5）
os.sched_setaffinity(0, range(6))
torch.set_num_threads(6)
```
- 调整DataLoader参数，建议num_workers设为CPU核心数的一半或相等，同时开启pin_memory=True，消除数据加载瓶颈：
```
from torch.utils.data import DataLoader
dataloader = DataLoader(dataset, batch_size=32, num_workers=6, pin_memory=True)
```
调整系统设置：
- 切换Windows电源选项到高性能模式，在电源计划高级设置中，将“处理器电源管理”的“最小/最大处理器状态”均设为100%，禁用动态降频。
优化训练流程：
- 减少Jupyter实时输出频率，比如每10轮打印一次日志，避免IO阻塞。
- 将训练代码保存为.py脚本，用Python直接运行——脱离Jupyter可消除GIL竞争和IO开销，大幅提升CPU利用率稳定性。
版本兼容性调整：Python 3.12属于较新版本，PyTorch 2.3.1对其支持可能存在细节问题，可尝试降级到Python 3.11并搭配对应版本的PyTorch，排查是否为版本适配问题。

是的，Jupyter确实可能是诱因之一。Jupyter内核处理交互式输出时，会频繁触发GIL切换，干扰训练线程执行；且Jupyter进程优先级通常低于直接运行的Python脚本，系统资源调度会偏向其他任务。脱离Jupyter运行独立脚本，能消除这些干扰，大概率让CPU利用率更稳定。

内容的提问来源于stack exchange，提问作者DisplayName